拉普拉斯正则化双曲正切低秩子空间聚类算法
CSTR:
作者:
作者单位:

(天津工业大学计算机科学与软件学院,天津300387)

作者简介:

张桂玲(1966-), 男, 教授, 博士, 从事图像处理、网络安全、可信计算等研究;杜艳梦(1990-), 女, 硕士生, 从事图像处理的研究.

通讯作者:

E-mail: dymamy@163.com

中图分类号:

TP301.6

基金项目:

天津市重点投资人才引进计划基金项目(029416).


Laplacian regularizer hyperbolic tangent function low-rank subspace clustering algorithm
Author:
Affiliation:

(School of Computer Science and Software,Tianjin Polytechnic University,Tianjin300387,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    传统的低秩表示模型LRR对高维数据聚类精确度低,针对这一情况提出一种基于拉普拉斯正则化双曲正切函数低秩子空间聚类算法(LRHT-LRSC).该算法利用双曲正切函数代替核范数以便更紧凑地逼近秩函数,并利用拉普拉斯正则项刻画数据本身的几何结构,提高了数据聚类的准确率;然后构建数据样本的系数矩阵和相似矩阵;最后利用谱聚类方法得到最终的聚类结果.在合成数据集、真实数据集ExtendedYaleB和Hopkins155上的对比实验结果表明,LRHT-LRSC能够提高聚类的准确率和鲁棒性.

    Abstract:

    The traditional low rank representation model is of low accuracy, when it is applied to high dimensional data clustering. Therefore, a kind of Laplacian regularized hyperbolic tangent function low-rank subspace clustering(LRHT-LRSC) algorithm is proposed. The LRHT-LRSC algorithm can compact approximation to the rank by using the hyperbolic tangent function instead of nuclear norm, and the accuracy of data clustering can be improved by using the Laplacian regularizer describing the instrinsic geometrical structures of the data. Then, the coefficient matrix and the similarity matrix of the data samples are constructed. Finally, the final clustering results are obtained by using the spectral clustering method. Experimental results on synthetic data sets, real data Extended Yale B and Hopkins 155 show that the proposed algorithm improves the accuracy and robustness of clustering.

    参考文献
    相似文献
    引证文献
引用本文

张桂玲,杜艳梦.拉普拉斯正则化双曲正切低秩子空间聚类算法[J].控制与决策,2018,33(1):163-168

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2017-12-07
  • 出版日期:
文章二维码